Chi cuadrado de Pearson: guía completa para entender, calcular e interpretar el Chi cuadrado de Pearson

El Chi cuadrado de Pearson es una herramienta estadística fundamental para analizar asociaciones entre variables categóricas y para evaluar la adecuación de modelos teóricos a datos observados. Aunque su nombre suena técnico, sus ideas son intuitivas: se trata de medir qué tan bien encaja una distribución observada de frecuencias en una distribución esperada. En este artículo exploraremos en profundidad qué es el chi cuadrado de Pearson, sus usos principales, su interpretación paso a paso y consejos prácticos para aplicar este test en investigación y en entornos profesionales.

Qué es el Chi cuadrado de Pearson

El Chi cuadrado de Pearson es una prueba estadística basada en la distribución chi-cuadrado. Se utiliza para dos propósitos principales: evaluar la independencia entre dos variables categóricas (tabla de contingencia) y verificar si una distribución observada se ajusta a una distribución teórica esperada (prueba de bondad de ajuste). En ambos casos, la idea central es comparar las frecuencias observadas en cada celda con las frecuencias que se esperarían si la hipótesis nula fuera cierta.

Orígenes y fundamentos

La prueba fue desarrollada por Karl Pearson a finales del siglo XIX y principios del XX. Su visión era cuantificar la discrepancia entre lo observado y lo esperado en un conjunto de categorías. Aunque existen varias pruebas basadas en la distribución chi-cuadrado, la versión de Pearson es la más difundida y sirve como base para muchas metodologías estadísticas modernas.

La esencia de la comparación observada — esperada

En una muestra, las frecuencias observadas O en cada celda se comparan con las frecuencias esperadas E que se obtendrían si la hipótesis nula fuera cierta. La razón de ser del chi cuadrado es precisamente medir cuánto se desvían estas frecuencias observadas de las esperadas. Si la desviación es pequeña en todas las celdas, no hay evidencia suficiente para rechazar la hipótesis nula; si la desviación es grande, el resultado sugiere una relación entre las variables o una mala fit entre la distribución observada y la teórica.

Tipos de pruebas con chi cuadrado de Pearson

El chi cuadrado de Pearson se aplica en dos escenarios principales, con variantes de acuerdo a la pregunta de investigación.

Prueba de independencia (tabla de contingencia)

Cuando se quiere saber si dos variables categóricas están asociadas o son independientes, se construye una tabla de contingencia. Por ejemplo, se puede explorar si el estado civil y la preferencia de compra están relacionados. El estadístico χ² se calcula a partir de las frecuencias observadas en cada celda y de las frecuencias esperadas bajo la hipótesis de independencia. Un valor alto de χ², junto con el correspondiente p-valor, indica que las dos variables no son independientes y que podría existir una asociación entre ellas.

Prueba de bondad de ajuste

En este caso, se compara una distribución de frecuencias observadas con una distribución teórica esperada derivada de un modelo, por ejemplo, una distribución uniforme o una distribución teórica conocida. Si las diferencias entre observadas y esperadas son grandes, se concluye que el modelo propuesto no describe adecuadamente los datos. Es común en genética, calidad de producción y ciencias sociales cuando se verifica la adecuación de un modelo de distribución hipotético.

Cómo se calcula el Chi cuadrado de Pearson: fórmula y pasos

La fórmula general para el test de Pearson es:

χ² = Σ (Oᵢ – Eᵢ)² / Eᵢ

donde Oᵢ son las frecuencias observadas y Eᵢ las frecuencias esperadas en cada celda o categoría. El símbolo Σ indica la suma sobre todas las celdas o categorías consideradas.

Puntos clave para calcular correctamente

• Grados de libertad: depende del tipo de prueba. En la prueba de independencia, los grados de libertad son (r – 1)(c – 1), donde r es el número de filas y c el número de columnas. En la prueba de bondad de ajuste, la fórmula varía según el número de parámetros estimados y categorías.
• Frecuencias esperadas deben ser al menos 5 en la mayoría de las celdas para una aproximación adecuada; de lo contrario, se recomienda agrupar categorías o usar métodos alternativos.
• La hipótesis nula en la prueba de independencia dice que las variables son independientes; en la prueba de bondad de ajuste, la hipótesis nula afirma que la distribución observada sigue la distribución teórica especificada.

Ejemplo ilustrativo

Imaginemos una tabla 2×2 que compara el tratamiento A y B con éxito y fracaso. Observaciones: Exito_A = 40, Fracaso_A = 10, Exito_B = 35, Fracaso_B = 15. Suponiendo independencia, calculamos las frecuencias esperadas usando E = (fila_total × columna_total) / total. Total = 100; fila A total = 50; fila B total = 50; columna Exito = 75; columna Fracaso = 25. Así, E_exito_A = (50 × 75) / 100 = 37.5; E_fracaso_A = (50 × 25) / 100 = 12.5; E_exito_B = 37.5; E_fracaso_B = 12.5. Luego χ² = (40-37.5)²/37.5 + (10-12.5)²/12.5 + (35-37.5)²/37.5 + (15-12.5)²/12.5 ≈ 0.42 + 0.50 + 0.17 + 0.50 ≈ 1.59. Con grados de libertad (2-1)(2-1)=1, este valor podría no ser significativo al 5% (versus χ² crítico ≈ 3.84). Así, no hay evidencia suficiente para afirmar dependencia entre tratamiento y resultado.

Interpretación de resultados: p-valor, significancia y decisión

La interpretación del chi cuadrado de Pearson depende de tres elementos: el valor del estadístico χ², los grados de libertad y el p-valor. El p-valor representa la probabilidad de observar un conjunto de datos igual o más extremo que el observado bajo la hipótesis nula. Si el p-valor es menor que el nivel de significancia predefinido (comúnmente 0.05), se rechaza la hipótesis nula; si es mayor, no hay evidencia suficiente para rechazarla.

Grados de libertad y distribución

La distribución de referencia para el χ² es la distribución chi-cuadrado. Los grados de libertad dependen del tipo de prueba y del diseño experimental. En la prueba de independencia, se calculan como (r – 1)(c – 1). En la bondad de ajuste, se basan en el número de categorías y en el número de parámetros estimados a partir de los datos.

Limitaciones y consideraciones

La interpretación del estadístico χ² debe considerar la calidad de los recuentos. Si hay celdas con frecuencias esperadas muy bajas, la validez de la aproximación puede verse comprometida. En esos casos, conviene agrupar categorías o usar pruebas alternativas como la prueba exacta de Fisher para tablas pequeñas. Además, el chi cuadrado de Pearson no indica dirección de la asociación; solo señala que existe una relación, no la naturaleza de la misma.

Herramientas y software para calcular el Chi cuadrado de Pearson

Hoy en día existen múltiples herramientas para realizar el test de chi cuadrado de Pearson de forma rápida y robusta, desde hojas de cálculo hasta software estadístico y lenguajes de programación. A continuación se detallan algunas opciones comunes y prácticas.

Excel y Google Sheets

En hojas de cálculo, se puede realizar la prueba de independencia o la bondad de ajuste mediante funciones dedicadas o mediante cálculos manuales para obtener χ² y p-valores. Si se trabaja con tablas de contingencia, se pueden usar la función de CHISQ.TEST o CHISQ.TEST en Google Sheets y Excel para obtener el p-valor directamente a partir de las frecuencias observadas y esperadas.

R

R ofrece varias funciones útiles. Para tablas de contingencia, la función chisq.test permite obtener χ², grados de libertad y p-valor. Por ejemplo, para una tabla llamada tbl se ejecuta chisq.test(tbl). Para la bondad de ajuste, también se puede usar chisq.test con las frecuencias observadas y esperadas. R facilita además el manejo de supuestos y el análisis de residuos para entender dónde ocurre la mayor discrepancia.

Python

En Python, la biblioteca SciPy incluye la función chi2 para la distribución chi-cuadrado y, para tablas de contingencia, chi2_contingency en scipy.stats. Ejemplo:

from scipy.stats import chi2_contingency
observed = [[40, 10], [35, 15]]
chi2, p, dof, expected = chi2_contingency(observed)
print("Chi²:", chi2, "p-valor:", p)

Este enfoque permite incorporar fácilmente el resultado en flujos de trabajo de análisis de datos y reportes reproducibles.

Errores comunes y malentendidos al usar el Chi cuadrado de Pearson

Añadir claridad a la interpretación evita conclusiones erróneas. A continuación, algunos errores frecuentes y cómo evitarlos.

Confusión entre dependencia y causalidad

Un hallazgo de asociación entre variables no implica causalidad. El chi cuadrado de Pearson detecta asociación o falta de independencia, no la dirección causal ni la naturaleza de la relación. En investigación, se deben realizar análisis adicionales para explorar causalidad y controlar variables confusoras.

Uso inapropiado con tamaños de muestra pequeños

Con muestras muy pequeñas o con frecuencias esperadas bajas, la aproximación de la distribución chi-cuadrado puede ser inadecuada. Se recomienda agrupar categorías o recurrir a pruebas exactas como la de Fisher cuando la estructura de la tabla lo permite.

Ignorar los supuestos básicos

Para el test de independencia, las observaciones deben ser independientes entre sí. Si los datos provienen de muestreo dependiente o de medidas repetidas, se deben emplear enfoques específicos que contemplen esa dependencia.

Comparación con otros enfoques estadísticas

El chi cuadrado de Pearson no es la única herramienta para analizar tablas y distribuciones. Otros métodos complementan o sustituyen al χ² en situaciones particulares.

Prueba exacta de Fisher

La prueba exacta de Fisher es especialmente útil para tablas 2×2 con frecuencias pequeñas. No se basa en la aproximación chi-cuadrado y proporciona un p-valor exacto para la hipótesis de independencia en muestras pequeñas.

Pruebas de bondad de ajuste alternativas

En algunas circunstancias, se pueden utilizar pruebas como la de Kolmogorov-Smirnov para distribuciones continuas o aproximaciones basadas en la divergencia de Kullback-Leibler cuando el modelo teórico es más complejo.

Aplicaciones del Chi cuadrado de Pearson en investigación y negocio

El chi cuadrado de Pearson es una herramienta versátil con aplicaciones en distintos campos:

• Salud pública: evaluar si la prevalencia de una condición varía según grupos demográficos o niveles de exposición.
• Mercado y consumo: investigar si la preferencia de un producto está relacionada con la segmentación de clientes.
• Educación y psicometría: verificar si la distribución de respuestas se ajusta a un modelo teórico de cuestionarios.
• Calidad y manufactura: controlar la adecuación de un proceso a un estándar esperado a partir de recuentos de defectos por categorías.

Buenas prácticas para reportar resultados del Chi cuadrado de Pearson

La reportabilidad de los resultados del chi cuadrado de Pearson debe ser clara y replicable. Considera incluir:

• El estadístico χ² calculado y sus grados de libertad.
• El p-valor asociado y el nivel de significancia utilizado.
• La muestra y las condiciones del muestreo (población, tamaño, independencia de observaciones).
• Las frecuencias observadas y esperadas cuando sea relevante para la interpretación.
• Notas sobre supuestos y posibles limitaciones del análisis.

Preguntas frecuentes sobre el Chi cuadrado de Pearson

A continuación se presentan respuestas concisas a dudas comunes que suelen surgir entre estudiantes y profesionales.

¿Qué indica un valor alto de χ²?

Indica que hay una discrepancia sustancial entre las frecuencias observadas y las esperadas bajo la hipótesis nula. Esto puede sugerir dependencia entre variables o una mala especificación del modelo, dependiendo del contexto.

¿Cuál es la diferencia entre χ² y p-valor?

χ² es la estadística calculada a partir de las frecuencias observadas y esperadas. El p-valor es la probabilidad de obtener un valor de χ² tan extremo o más extremo si la hipótesis nula es cierta. Juntos permiten tomar una decisión estadística.

¿Se puede usar el Chi cuadrado con datos numéricos?

El test de Pearson se aplica típicamente a datos categóricos. Para variables numéricas continuas se usan otras pruebas, como la prueba de chi-cuadrado de accórdate de clases o pruebas basadas en distribución continua. En algunos casos, los datos numéricos se pueden convertir en categorías para aplicar el χ², pero esto implica pérdida de información y debe hacerse con cuidado.

Conclusión: por qué el Chi cuadrado de Pearson sigue siendo relevante

El Chi cuadrado de Pearson es una de las herramientas más sólidas y accesibles para analizar relaciones entre variables categóricas y para validar modelos de distribución. Su interpretación, aunque técnica, se apoya en una idea simple: cuánto se desvía lo observado de lo esperado bajo una hipótesis concreta. Conociendo sus supuestos, sus variantes y sus limitaciones, puedes emplearlo de forma confiable en investigaciones académicas, informes de negocio y evaluaciones metodológicas. Si te interesa profundizar aún más, existen recursos y tutoriales aplicados que muestran ejemplos en R, Python y hojas de cálculo, facilitando la implementación y la comunicación de resultados a audiencias técnicas y no técnicas por igual.

Notas finales y recordatorio práctico

Para quienes inician en el tema o quieren consolidar su conocimiento, es útil practicar con ejemplos simples y luego avanzar a tablas más complejas. Mantén siempre en mente los supuestos de independencia y el tamaño de muestra, así como la necesidad de reportar la información de forma clara y reproducible. Con un enfoque disciplinado, el análisis basado en el Chi cuadrado de Pearson se convertirá en una herramienta habitual para comprender patrones, relaciones y estructuras subyacentes en tus datos.